ИИ ускоряет разработку на 35-40% на новом коде и всего на 10% на легаси

Первый год после внедрения большинство команд просто проседает в производительности. Это главные цифры из свежего отчета DORA по экономике ИИ-разработки.

DORA выпустила первую внятную методичку по расчету ROI от внедрения ИИ в разработку и онлайн-калькулятор в придачу. Главный посыл идет вразрез с продающей риторикой вендоров: ИИ сам по себе ничего не ускоряет, он только усиливает то, что уже есть. Если у команды зрелая платформа и нормальные процессы, отдача приходит быстро. Если деплой все еще ручной, тесты хрупкие, а контекста модели взять негде, ИИ просто разгоняет накопление техдолга.

Если нарисовать график производительности команды до и после внедрения ИИ, получится буква J: сначала несколько месяцев просадки ниже исходного уровня, потом резкий выход вверх. Эту траекторию у DORA и называют J-кривой.

В типовом расчете провал составляет 15% производительности на три месяца. Объяснение бытовое: люди разбираются с инструментом, ревью съедает больше времени, чем раньше, а конвейер не тянет внезапно выросший поток коммитов. На этом этапе руководители часто решают, что инструмент не работает, и закрывают бюджет. Так и хоронят вполне окупаемые внедрения.

DORA подтвердила цифрами и второе неприятное наблюдение: после внедрения ИИ деплои начинают чаще ломаться, а не реже. Объем кода растет быстрее, чем способность ревью и пайплайнов его переварить. Привычное трение в работе разработчика никуда не делось, оно просто сдвинулось. Раньше время уходило на написание рутины, теперь оно уходит на проверку того, что нагенерил ИИ. Авторы отчета называют это «налогом на верификацию».

Финансовая часть построена вокруг онлайн-калькулятора. На входе размер штата, средняя стоимость инженера в год, расходы на лицензии и обучение, ожидаемые глубина и длительность J-кривой.

На выходе совокупные затраты первого года, ожидаемый возврат, ROI и срок окупаемости. Горизонт намеренно ограничен одним годом: он самый сложный из-за просадки, дальше цифры можно экстраполировать самим. Внутри есть переключение между консервативным, базовым и оптимистичным сценариями, а отдельные источники ценности можно обнулить, если CFO будет придираться к «мягким» статьям вроде дополнительной выручки от ускоренного выпуска фич.

 На стандартном примере команды из 500 инженеров калькулятор выдает 39% ROI за первый год при окупаемости около восьми месяцев. Любопытнее процентов выглядит структура затрат: стоимость inference за последние два года упала в 280 раз, и основные деньги теперь не на токенах, а на governance: верификации сгенерированного, переделке пайплайнов, обучении людей. Кто пытается ужать бюджет за счет дешевых моделей, тот ужимает не ту часть.

Мы периодически рассказываем про полезные инструменты, а сегодня покажем нашу собственную разработку BPMN-AI.
Это инструмент, который превращает описание процесса, регламент или расшифровку интервью в BPMN-модель: выделяет шаги, роли, условия, ветвления и подпроцессы.

Польза: практически мгновенно перейти от хаотичного описания «как у нас это работает» к схеме, которую можно обсуждать с бизнесом, аналитиками и разработкой.

Мы довольны качеством диаграмм на выходе: не зря изучали подходы наших аналитиков и на основе этих наблюдений прорабатывали агентскую логику.

Посмотреть, как работает: YouTube / VK Video
Связаться: здесь или через  https://bpmnai.ru/

Большая хакерская атака Mini Shai-Hulud бьет по разработчикам, которые пишут код с ИИ: через зараженные npm-пакеты вредонос попадает в JavaScript/TypeScript-проекты, закрепляется в .claude/settings.json и .vscode/tasks.json, а затем может запускаться снова даже после удаления пакета из node_modules.

Риск не ограничивается npm: если вредонос украл GitHub-, cloud-, npm/PyPI- или CI/CD-токены, атака может расползтись на Python-проекты, PyPI-пакеты, внутренние репозитории и сборочные пайплайны; технический разбор и индикаторы компрометации опубликованы у StepSecurity.

Большие языковые модели - это настоящий интеллект?

В IT-сообществе не утихают горячие споры: есть ли в современных LLM (таких как Claude, ChatGPT или DeepSeek) хоть капля подлинного разума, или перед нами просто раздутая до триллионов параметров таблица поиска, угадывающая следующее слово?

В новом материале на Хабре вышло интервью с доктором технических наук и научным консультантом Artezio Владимиром Крыловым. В нем он подробно разбирает, что на самом деле происходит «под капотом» современных AI-систем и почему привычные метрики оценки интеллекта больше не работают.

О чем пойдет речь в статье:

🔹 Является ли колмогоровская сложность объективным критерием интеллекта?
🔹 Почему применять стандартные человеческие IQ-тесты к нейросетям бессмысленно?
🔹 Законы масштабирования (Scaling Laws) и почему время на «обдумывание» ответа в момент генерации меняет правила игры.
🔹 Феномен суперпозиции от Anthropic: почему смыслы запутаны так сложно, что мы никогда не сможем в прямом смысле «прочитать мысли» ИИ.

👉 Читать статью на Хабре

В копилку Specification-Driven Development: Thariq Shihipar, инженер Anthropic из команды Claude Code, поделился полезным промптом для AI-агентов:

implement <SPEC> and while you do, keep a running implementation-notes.html file (or markdown) with decisions you had to make weren't in the spec, things you had to change, tradeoffs you had to make or anything else I should know

Смысл: агент не просто реализует спецификацию, а параллельно ведет заметки о том, где ему пришлось принимать решения самому.

Это помогает не превращать AI-разработку в черный ящик:  Ведь, как бы тщательно вы ни описали спецификацию, всегда остаются неоднозначности и непредвиденные нюансы, которые всплывают в процессе. Этот подход даёт модели возможность принимать решения, но при этом держать вас в курсе.  

Интересно, что Тарик рекомендует html, а не md.

Голосовой агент — это не просто чат-бот + TTS. Это эволюция от текстового бота через полудуплекс к full-duplex, где на каждом уровне появляются свои проблемы. Пройдем этот путь на реальном production-стеке (Rust, ~1600 строк).

Как построить голосового AI-агента, экономящего время пользователя, расскажет Виктор Загускин — руководитель центра компетенций голосового ИИ в MWS.AI.

В программе:
→ Голос, файловое распознавание: offline ASR, 3-7с roundtrip, SSML для склонений, LLM-нормализация услуг
→ Стриминг, полудуплекс: streaming ASR, VAD, гибридное EPD, порог тишины
→ Полный дуплекс: AEC (WebRTC AEC3), barge-in, tool calls в асинхронном потоке, pipeline parallelism
→ Метрики: покомпонентная latency, эволюция метрик, бенчмарки (Full-Duplex-Bench v1.5, EVA-Bench)
→ Native Audio LLM: speech-native модели, DuplexSLA, Moshi, MiniMind-O

Когда?
Завтра, 26 мая, в 12:00.

Смотрите на YouTube, в ВК или прямо в этом канале — и задавайте вопросы Виктору!

⚡️ Что прячет Anthropic?

Claude Mythos — модель компании Anthropic, разработанная под кодовым названием Capybara. Это самая производительная модель в мире. Она наделала много шума, но так и не была выпущена в открытый доступ. И тем не менее избежать утечек информации не удалось...

Доктор технических наук Владимир Крылов проанализирует историю появления Claude Mythos и опишет хронологию уникального инцидента от ошибки конфигурации до изоляции. Поговорим о прорыве исторических трендов в прохождении бенчмарков и о 100% доминировании агента в области кибербезопасности.

Вы узнаете, как человечество впервые получило систему ИИ, представляющую собой почти идеальное кибероружие, и как поступили те, кто им владеет.

Мы взглянем на Claude Mythos как на черный ящик и посмотрим, какие предположения делают эксперты о том, как он устроен изнутри.

⏰ Запускаем трансляцию завтра, 28 мая, в 13:00.

Смотрите на YouTube, в ВК или прямо в этом канале — и задавайте вопросы лектору!

Эрик Шмидт на церемонии вручения дипломов в Университете Аризоны заявил, что традиционный способ написания кода исчерпан.

Бывший CEO Google указал октябрь 2025 года как точку, после которой инструменты ИИ-разработки достигли уровня, удивляющего опытных инженеров.

Дословная формулировка: "Если вы пишете код любым традиционным способом -- остановитесь. Это закончилось".

Отдельный посыл адресован менеджменту: руководителям компаний предложено спросить, почему их инженеры пишут код так же, как полгода назад. Шмидт сравнил нынешний момент с появлением компьютера и описал переход от написания кода к управлению системами, которые делают это сами.

Один разработчик с правильной оркестровкой агентов, по его оценке, теперь способен на задачи, ранее требовавшие команды. Тезис пересекается с практикой крупных компаний.

Spotify в квартальном отчете сообщил, что лучшие разработчики не написали ни строки кода с декабря 2025 года, а изменения уходят в production через Claude Code прямо из Slack.

Ознакомиться с публикацией можно по ссылке (paywall) https://ai.plainenglish.io/the-last-line-of-code-d1ae5de4cede

Кроме новой модели Opus 4.8 Anthropic показала следующий шаг в агентской разработке -- dynamic workflows. Claude сам пишет скрипт-оркестратор и разводит задачу по десяткам-сотням субагентов, которые проверяют и опровергают находки друг друга, пока ответы не сойдутся.

Принципиально новым тут является масштаб: рой агентов уходит работать над большой задачей надолго и задорого, Anthropic даже предупреждает про кратно больший расход токенов. По ссылке статья Anthropic и пример того, как AI-агенты с помощью dynamic workflows за 11 дней портировали Bun (JavaScript-рантайм и тулкит) с языка Zig на Rust: 750 000 строк кода, 99,8% проходящих тестов.

Заодно стоит обратить внимание на продукт, Managed Agents, который Anthropic запустила в бете еще в апреле. Это управляемая инфраструктура для долгоживущих агентов: разработчик описывает агента (естественный язык или YAML, промпты, инструменты, разрешения, MCP-подключения), а песочницы, состояние сессий, восстановление после сбоев и масштабирование Anthropic берет на себя.

Оплата по факту -стандартные тарифы на токены плюс 0,08 доллара за активный час сессии, простой не тарифицируется. Ниша многих стартапов строилась на том, чтобы разрабатывать агентов, поднимать и поддерживать агентскую инфраструктуру, а теперь этот слой Anthropic тоже забирает себе.

🚀 Codex CLI: создаём автономный код‑ревьюер за полчаса

Предлагаем обзор простого, но рабочего сетапа, который позволит:
→ посмотреть возможности Codex CLI;
→ собрать базовую инфраструктуру;
→ реализовать автономный код-ревьюер почти без вмешательства живого специалиста.

"Для работы с агентами нужны 3 главных навыка: адаптивность, слабоумие и отвага. Потому что иногда агент делает очень умные вещи, а иногда — очень странные", — говорит Артем Летюшев, tech project manager twinby.ru и автор канала @junior_pm.

Артем покажет в онлайне:
⚡️ как быстро настроить Codex CLI и MCP;
⚡️ как подключить Skills и защитные хуки;
⚡️ как спланировать roadmap и влет запустить проект.

Когда?
Завтра, 2 июня, в 12:00.

Смотрите на YouTube, в ВК или прямо в этом канале — и задавайте вопросы Артему!